論文の概要: What Limits Cross-Task Generalization in World Action Models?

• arxiv url: http://arxiv.org/abs/2610.16641v1
• Date: Mon, 12 Oct 2026 12:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:08:57.78055
• Title: What Limits Cross-Task Generalization in World Action Models?
• Title（参考訳）: 世界行動モデルにおけるクロスタスク一般化の限界
• Abstract要約: 世界行動モデル(WAM)のクロスタスク一般化は依然として困難である。 本稿では,大規模ロボットデータに基づくカメラ空間逆力学モデルであるAlign Once, Evaluate Everywhere (AoE)を紹介する。 記録された未確認タスクの動作から復元された動作は、ほとんど実行され、デモが再生されるのに対して、世界モデルによって予測される動作は、ベンチマーク間で崩壊する。
• 参考スコア（独自算出の注目度）: 18.06137256005677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-task generalization remains difficult for world action models (WAMs), even when their predicted futures depict plausible manipulation. This gap can be attributed directly: we make this gap directly testable by decoupling a WAM into a world model and an inverse-dynamics model (IDM), then holding the IDM fixed while replacing the source of future images. We introduce Align Once, Evaluate Everywhere (AoE), a camera-space inverse-dynamics model pretrained on large-scale robot data, which provides this recovery interface for different future sources across tasks and environments. Through it, we find that actions recovered from recorded futures of unseen tasks execute almost as well as replayed demonstrations, whereas futures predicted by world models collapse across benchmarks. The failures are not generic: they concentrate on the gripper and interaction geometry while generation capacity is spent on task-irrelevant background. This diagnosis suggests that supervision should target exactly these regions. We therefore introduce the vision-to-action (VITA) loss, which passes generated futures through the frozen AoE and penalizes discrepancies in the recovered actions, redirecting generation toward action-relevant detail. Across two world models and three manipulation benchmarks, this simple change raises the execution success of generated futures from near zero to 47.0%. The same loss also transfers to WAMs and yields consistent gains in native control.
• Abstract（参考訳）: クロスタスクの一般化は世界行動モデル(WAM)にとって依然として困難であり、予測される未来がもっともらしい操作を描いている。 我々は、WAMを世界モデルと逆力学モデル(IDM)に分離し、将来の画像のソースを置き換えながらIMMを固定することで、このギャップを直接テストできるようにする。 本稿では,大規模なロボットデータに基づくカメラ空間逆力学モデルであるAlign Once, Evaluate Everywhere (AoE)を紹介する。 それを通して、未確認タスクのレコードされた未来から回復したアクションは、ほとんど実行され、デモが再生されるのに対して、世界モデルによって予測される未来は、ベンチマーク間で崩壊する。 障害は一般的なものではなく、グリップと相互作用の幾何学に集中し、生成能力はタスク非関連なバックグラウンドに費やされる。 この診断は、監督がこれらの領域を正確に狙うべきであることを示唆している。 そこで我々は、凍結したAoEを介して生成した未来をパスし、回復した行動における不一致をペナルティ化し、生成をアクション関連の詳細にリダイレクトするVITA(Vision-to-action)ロスを導入する。 2つの世界モデルと3つの操作ベンチマークで、この単純な変更により、生成された未来の実行がほぼゼロから47.0%に向上する。 同じ損失はWAMに移行し、ネイティブコントロールにおいて一貫した利益をもたらす。

関連論文リスト

• Forward Dynamics Models [85.83989159271482]
  我々は、アクションと将来の世界状態を予測するロボットアクションモデルのファミリーであるフォワード・ダイナミクス・モデル(FDM)を提示する。 将来の予測は行動の特徴に則っているが、逆ではない。エンドツーエンドのトレーニングは、将来的な国家が政策を監督する。 シミュレーションおよび実ロボットを用いた実験により、両背骨のFDMの有効性が示された。
  論文  参考訳（メタデータ） (2026-10-09T07:12:16Z)
• What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling [60.33876128319945]
  世界行動モデル(WAM)は、トレーニング中の行動と共に未来を予測する。 WAMは、分散処理タスクにおいて明示的なタスクと一致するが、もともとWAMを動機付けていた一般化の利点を保たないことがわかった。 提案するSimple-WAMは,将来のモデリングを完全ノイズ付きビデオトークンの1つの前方通過に単純化する。
  論文  参考訳（メタデータ） (2026-09-28T11:56:57Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• When to Trust Imagination: Adaptive Action Execution for World Action Models [42.51856318901667]
  世界行動モデル(WAM)は、近ごろ、将来の視覚的観察と将来の行動を共同で予測することによって、ロボット操作のための有望なパラダイムとして登場した。 現在のWAMは、各モデル推論の後、一定の数の予測アクションを実行し、ロボットは、想像された未来が実際の物理的なロールアウトと一致しているかどうかを無視する。 我々は,将来性検証問題として適応型WAM実行を定式化し,WAM予測された未来が信頼性を保ちながらロボットはより長く実行すべきであり,現実が想像力から逸脱した場合にはより早く再計画する。
  論文  参考訳（メタデータ） (2026-05-07T13:18:28Z)
• World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
  汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。 本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
  論文  参考訳（メタデータ） (2026-04-02T12:48:36Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。